Acesse o servidor de acompanhamento MLflow de fora Databricks
log O senhor pode desejar acessar o servidor de acompanhamento MLflow a partir de seus próprios aplicativos ou do site MLflow CLI.
Este artigo descreve as passos de configuração necessárias. comece instalando o MLflow e configurando suas credenciais (passo 1). Você pode configurar um aplicativo (passo 2) ou configurar a CLI do MLflow (passo 3).
Para obter informações sobre como iniciar e log em um servidor de acompanhamento de código aberto, consulte a documentação doMLflow código aberto.
Etapa 1: configurar seu ambiente
Se o senhor não tiver um Databricks account, poderá experimentar o Databricks gratuitamente. Veja Get começar com Databricks.
Para configurar seu ambiente para acessar seu Databricks MLflow servidor de acompanhamento hospedado:
-
Instale o MLflow usando
pip install mlflow
. -
Configure a autenticação de acordo com seu Databricks inscrição.
-
Community Edition. Execute uma das seguintes ações:
- (Recomendado) Use
mlflow.login()
para receber uma solicitação de suas credenciais.
Pythonimport mlflow
mlflow.login()Veja a seguir um exemplo de resposta. Se a autenticação for bem-sucedida, o senhor verá a mensagem "Successfully signed into Databricks!".
2023/10/25 22:59:27 ERROR mlflow.utils.credentials: Failed to sign in Databricks: default auth: cannot configure default credentials
Databricks Host (should begin with https://): https://community.cloud.databricks.com/
Username: weirdmouse@gmail.com
Password: ··········
2023/10/25 22:59:38 INFO mlflow.utils.credentials: Successfully signed in Databricks!- Especifique as credenciais usando a variável de ambiente:
Bash# Configure MLflow to communicate with a Databricks-hosted tracking server
export MLFLOW_TRACKING_URI=databricks
# Specify your Databricks username & password
export DATABRICKS_USERNAME="..."
export DATABRICKS_PASSWORD="..." - (Recomendado) Use
-
Plataforma Databricks. Faça um dos seguintes:
-
Gere um REST API tokens e crie seu arquivo de credenciais usando
databricks configure --token
. -
Especifique as credenciais usando a variável de ambiente:
Bash# Configure MLflow to communicate with a Databricks-hosted tracking server
export MLFLOW_TRACKING_URI=databricks
# Specify the workspace hostname and token
export DATABRICKS_HOST="..."
export DATABRICKS_TOKEN="..." -
-
Etapa 2: Configurar os aplicativos MLflow
Configure os aplicativos MLflow para log e Databricks definindo o URI de acompanhamento como databricks
ou databricks://<profileName>
, se o senhor especificou um nome de perfil por meio de --profile
ao criar o arquivo de credenciais. Por exemplo, o senhor pode fazer isso definindo a variável de ambiente MLFLOW_TRACKING_URI
como "databricks".
Etapa 3: Configurar a CLI do MLflow
Configure o MLflow CLI para se comunicar com um servidor de acompanhamento Databricks com a variável de ambiente MLFLOW_TRACKING_URI
. Por exemplo, para criar um experimento usando o site CLI com o URI de acompanhamento databricks
, execução:
# Replace <your-username> with your Databricks username
export MLFLOW_TRACKING_URI=databricks
mlflow experiments create -n /Users/<your-username>/my-experiment